Jak předpovídáme selhání stroje pomocí zvuku a algoritmů strojového učení
Tovární výroba je dnes vysoce automatizovaná. Přesto může opotřebení mechanických částí zařízení způsobit pozastavení výroby. Sledování stavu strojů a předvídání jejich poruch může výrobním podnikům ušetřit značné částky. Implementace umělé inteligence může přinést automatizaci i do této oblasti.
Algoritmy strojového učení a zvukové senzory nám umožňují neinvazivní kontrolu strojů
Analyzujeme zvuky vydávané stroji, abychom mohli sledovat jejich stav a předvídat poruchy. Jedná se o neinvazivní a slibný směr, jak včas odhalit případné poruchy stroje. Zvukové senzory připevněné na povrchu mohou detekovat vibrace o frekvenci od několika Hz až po ultrazvukové frekvence. V současné době má totiž jen málo společností odborníky s vycvičeným sluchem, kteří by poslouchali stroje za účelem diagnostiky. Tito odborníci bohužel jsou nákladní a mají také omezené schopnosti (sluchový rozsah, atd.).
Abychom tento nedostatek pracovních sil a kapacit na místě kompenzovali, používáme v Neuron Soundware senzory s širokým frekvenčním rozsahem pro záznam zvuků strojů a techniky strojového učení (ML) k automatizaci a zlepšení včasné detekce potenciálních poruch strojů na základě zvuků, aniž by byl v místě potřeba diagnostik.
Algoritmy strojového učení se stále potýkají s problémy
Nechat algoritmy strojového učení detekovat/předvídat poruchy přináší několik problémů, které je třeba vyřešit. Většina výzkumu ML se zaměřuje na úlohy s velkým množstvím dobře označených vzorků, kde je cílem zařadit nově zadaný vzorek do jedné z předem definovaných tříd.
Tyto metody mají bohužel velmi omezené využití v prediktivní údržbě, protože od zákazníka obvykle dostáváme jen velmi málo zaznamenaných poruch, nebo dokonce žádné v době, kdy nasazujeme model ML pro nový stroj.
V těchto případech můžeme k identifikaci anomálií v provozu stroje použít metody detekce novinek. Algoritmus po počáteční kalibraci řekne, zda je nově pozorovaný zvuk podobný nominálním zvukům - zvukům považovaným za zvuk správně pracujícího stroje - nebo novým zvukům, které jsou případně způsobeny počáteční fází poruchy stroje.
Jednou z klíčových otázek, na které je třeba odpovědět, je, jak měřit výkon algoritmu bez zvuků rozbitých strojů. V tomto článku popisujeme, jak můžeme řešit problém chybějících zvuků porouchaných strojů. Můžeme si tak být jisti, že vytváříme modely, které jsou skutečně užitečné.
V zásadě můžeme použít několik metod pro generování těchto chybějících zvuků, které nám umožní použít klasifikační metody jako detektory anomálií.
Co děláme, když potřebujeme zjistit neznámou poruchu?
Možnost 1: Řešení založené na modelu
Prvním možným řešením je simulace zvukové emise stroje. Dobrá simulace pak může být použita s vysokou věrností i pro generování zvuků různých poruch.
Je zřejmé, že tento přístup může být výpočetně náročný při použití metod jemných prvků. Není škálovatelný kvůli nutnosti sestavit podrobné digitální modely strojů včetně všech potenciálních parametrů prostředí. Proto se tento přístup používá například v jaderných elektrárnách k simulaci turbín a jejich poruchových stavů a v podobných případech, kde se toto úsilí vyplatí.
Možnost 2: Rozšíření dat
Jednodušší a lépe škálovatelný přístup je použití existujících zvuků, které by mohly být podobné zvukům porouchaných motorů (např. zvuk vrtačky, praskání, skřípání) a zkombinujte je se zvukem zdravých motorů. Výhodou tohoto přístupu je, že můžeme kontrolovat poměr normálního a anomálního zvuku a vybrat, jaký typ zvuků bude reprezentovat problémy. To nám umožňuje řídit citlivost modelu.
Klíčovým aspektem je zajistit, aby umělé spojení dvou zvuků bylo co nejrealističtější kombinací zvuků. Velkou výhodou je, pokud máme k dispozici rozsáhlou databázi anomálních zvuků nejen Google AudioSet.
Model detekuje nejen skóre anomálie, ale také intenzitu rozšířeného zvuku smíchaného s nominálním zvukem. Tímto způsobem jsme se ujistili o plné funkčnosti modelu, aby určitě odhalil skutečnou anomálii, když k ní dojde.
Možnost 3: Přenos zvuku z různých souborů dat
Předchozí metoda se opírá přístup ke zvukům, kterými lze původní záznam rozšířit (vrtání, praskání, skřípání). Přesnost modelu lze zlepšit použitím skutečných zvuků selhání. Předpokládejme, že trénujeme model pro nový plynový generátor o výkonu 1 MW se zdravým zvukem. Protože jsme již nahráli podobné generátory při běžném provozu a před jejich různými poruchami, můžeme získat znalosti o tom, jak se zvuk před poruchou mění.
Ačkoli každý typ generátoru a dokonce i jednotlivé prostředky zní jinak, účinky poruch na zvuk jsou často velmi podobné. Zvuk poruch můžeme zkombinovat se zvukem zdravého generátoru a získat tak velmi realistický zvuk jeho poruchy.
Společnost Neuron Soundware postupně vytváří databázi desítek TB zvukových záznamů a mnoha selhání zvuku pro různé typy strojů a využívá je při trénování nových modelů.
Příklad nasazení u kompresoru v automobilovém průmyslu
Přístup detekce anomálií k odhalování poruch umožňuje okamžité sledování různých zařízení. Proces nastavení algoritmu jsme automatizovali pomocí rozšiřování dat a učení přenosem v případě všech běžných strojů (generátory, motory s ložisky, motory atd.). Validační rámec řídí i detektor anomálií, aby bylo jisté, že funguje správně.
V případě kompresoru systém pečlivě monitoroval zařízení více než rok bez falešných výstrah. Zákazník může kontrolovat jeho stav odkudkoli, má přistup k datům stroje na dálku prostřednictvím naší platformy nShield. V případě podezřelé změny zvuku obdrží servisní tým upozornění a může zařízení včas zkontrolovat.
Zrovna nedávno jsme zjistili několik nadlimitních anomálií. O několik dní později bylo zjištěno odření/poškrábání pístu a válce, které vedlo k opravě majetku.
Vzhledem k tomu, že se naše zvuková databáze selhávajících strojů každý den rozrůstá o miliony vzorků, můžeme použít přenesené učení z různých souborů dat o selhání strojů. Také můžeme každý den detekovat více a více konkrétních anomálií na stroji.
Vydejte se s námi na tuto vzrušující cestu, rádi s vámi probereme, jak můžeme naši technologii nasadit ve vašem případě a jak ochránit vaše stroje.
Odkazy:
[1] Wu, Shuang. "Simulace a generování zvuku motoru v simulátoru jízdy." (2016).
[2] arxiv.org/abs/1509.01692: Take and Took, Gaggle and Goose, Book and Read: Vyhodnocení užitečnosti vektorových rozdílů pro učení lexikálních vztahů
Nejnovější příspěvky
